买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利一种基于Deepseek与时序因果知识图谱的医疗智能决策方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120636780B 。

龙图腾网通过国家知识产权局官网在2025-11-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511105778.3，技术领域涉及：G16H50/20；该发明授权一种基于Deepseek与时序因果知识图谱的医疗智能决策方法是由董安明;宋钰涵;高传根;郭茜;李素芳;田祥;韩玉冰;王贵娟;李志新设计研发完成，并于2025-08-08向国家知识产权局提交的专利申请。

本一种基于Deepseek与时序因果知识图谱的医疗智能决策方法在说明书摘要公布了：本发明公开了一种基于Deepseek与时序因果知识图谱的医疗智能决策方法，包括如下步骤：步骤1：构建初始静态医疗知识图谱，并生成动态时序因果知识图谱；步骤2：微调训练DeepSeek模型，使其适配医疗领域；步骤3：接收并解析患者上传的文本，进行智能分诊与疾病风险预测，实现患者症状与目标科室的精准匹配，以及潜在疾病的智能预测与预警。本发明的方法，旨在为患者提供精准的分诊与疾病风险预测，构建科学高效的医疗智能决策机制，优化医疗资源配置。

本发明授权一种基于Deepseek与时序因果知识图谱的医疗智能决策方法在权利要求书中公布了：1.一种基于Deepseek与时序因果知识图谱的医疗智能决策方法，其特征在于，包括如下步骤： 步骤1：构建初始静态医疗知识图谱，并注入时间维度与因果维度，通过动态时序图谱建模层建模医疗事件的演化关系；引入图注意力机制实现因果路径识别，结合多跳因果关系推理方法，生成动态时序因果知识图谱； 步骤2：微调训练DeepSeek模型，使其适配医疗领域，将微调后的DeepSeek模型作为教师模型，通过知识蒸馏技术将其迁移至轻量级模型；蒸馏过程中保留关键因果推理参数，并嵌入因果路径解释标签； 步骤3：接收并解析患者上传的文本，引入注意力机制提取文本中的关键医疗实体及上下文依赖，结合动态时序因果知识图谱，进行智能分诊与疾病风险预测，实现患者症状与目标科室的精准匹配，以及潜在疾病的智能预测与预警； 所述步骤1中构建动态时序因果知识图谱包括如下步骤： 步骤1.1：整合多源异构医学数据； 步骤1.2：对整合多源异构医学数据进行预处理； 步骤1.3：基于时间戳序列对病历事件建立时间演化图，其中节点集合表示医疗实体，边集合表示时间依赖关系； 步骤1.4：通过贝叶斯因果发现算法挖掘中的实体对的因果方向，构建因果图谱，最终形成联合图谱，表示的是因果图谱中的因果关系边集合； 所述步骤2中微调和蒸馏DeepSeek模型包括如下步骤： 步骤2.1：构建结构化医疗知识数据集，对基座模型DeepSeek-R1-Distill-Qwen-32B进行领域微调，采用LoRA方法插入适配层，冻结原始参数，仅训练新增模块，以增强其对医疗实体及关系的理解能力； 步骤2.2：将微调后的模型作为教师模型，利用其生成患者问诊场景下的标准回答数据，并通过语言模型评估工具对生成内容进行筛选，构建高质量的问答对数据集； 步骤2.3：使用构建的高质量的问答对数据集作为知识蒸馏输入，训练轻量级学生模型Qwen2.5-7B，使其在保持临床分诊准确率的同时，降低模型规模与推理时延，便于部署于实际医疗终端设备中； 所述步骤3中，智能分诊与疾病风险预测的过程中，使用结构化检索以增强生成机制，包括如下步骤： 步骤3.1：对患者上传的文本进行医疗实体识别与上下文分析，提取关键实体与关系信息； 步骤3.2：基于提取的关键实体与关系信息，在动态时序因果知识图谱中执行多跳因果路径检索，获得与当前输入相关的疾病演化链、潜在病因节点与关联科室信息，构成结构化知识提示集； 步骤3.3：将检索得到的图谱路径信息与患者原始输入内容联合编码为结构化提示，输入至经微调与蒸馏后的DeepSeek模型中，生成预测结果； 步骤3.4：引入RAG以图谱知识为检索源，通过多跳实体推理完成面向临床任务的精准知识召回。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人齐鲁工业大学(山东省科学院)，其通讯地址为：250353 山东省济南市长清区大学路3501号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。